第2章 知识图谱构建技术基础：实体识别、关系抽取、属性填充
构建药物知识图谱，说白了就是要把散落在文献、说明书、临床报告里的信息，变成结构化的三元组。
这一章我们聊聊三个核心任务：实体识别、关系抽取、属性填充。我把它们称为知识图谱的「三把刀」。
2.1 实体识别：先找到「谁」和「什么」
实体识别，就是找出文本里的命名实体。比如药物名、疾病名、基因名、靶点名。
举个例子，给一句话：
阿托伐他汀能显著降低LDL-C水平，适用于高胆固醇血症患者。实体识别要抓出「阿托伐他汀」（药物）、「LDL-C」（指标）、「高胆固醇血症」（疾病）。
我个人习惯把实体类型整理成一张清单，避免遗漏。我在一个项目中遇到过最头疼的问题——同一实体在不同文献里写法完全不一样。比如「吉非替尼」有人写「Gefitinib」，还有人写「ZD1839」。你想想看，不统一的话，图谱里会多出好几个重复节点。
常用的实体识别方法，我分了三大类：
| 方法类型 | 代表工具/模型 | 适用场景 |
|---|---|---|
| 基于规则 | 正则、词典匹配 | 术语规范、实体类型少 |
| 基于统计 | CRF、HMM | 标注数据中等规模 |
| 基于深度学习 | BiLSTM-CRF、BERT | 大规模、上下文复杂 |
我个人偏好用深度学习做第一轮，再用规则做后处理。为什么呢？因为模型识别的边界经常不准，比如漏了「盐酸」前缀，这时候用正则一补，效果立竿见影。
2.2 关系抽取：把孤立的实体连起来
实体找到了，但它们之间有什么关系呢？关系抽取就是干这个的。
还是刚才那句话：
阿托伐他汀能显著降低LDL-C水平，适用于高胆固醇血症患者。这里有两条关系：「阿托伐他汀 — 降低 — LDL-C」 和 「阿托伐他汀 — 适用于 — 高胆固醇血症」。
关系抽取的难点在于：关系的类别往往比实体多得多。我见过一个项目定义了200多种关系，最后模型根本训不动。我建议从「核心关系」入手，先覆盖80%的场景。
常用的关系抽取方法：
- 流水线方法：先做NER，再对实体对做分类。简单，但误差会累积。
- 联合抽取：用一个模型同时做实体和关系。效果更好，但实现复杂。
我个人更喜欢联合抽取的方式，尤其在大规模构建时。为什么呢？因为流水线方法里，NER漏掉的实体直接导致关系缺失，而联合模型能「互相拉一把」。
2.3 属性填充：给实体加上「标签」
实体和关系构成了骨架，属性则负责填充血肉。
比如药物实体，它的属性可能包括：分子式、剂量范围、不良反应、半衰期……
属性填充一般有两种方式：
- 结构化抽取：从数据库或表格中直接读取，数据干净。
- 非结构化抽取：从文本里抓取，比如从「每次10mg，每日一次」里抽取出「剂量=10mg，频次=每日一次」。
我建议对属性做分级管理。比如「必填属性」和「可选属性」。先保证必填属性填充完整，再逐步丰富可选属性。否则很容易陷入「追求完美但永远填不完」的陷阱。
# 属性填充示例（JSON格式）
{
"entity": "阿托伐他汀",
"attributes": {
"分子式": "C33H35FN2O5",
"剂量": "10-80mg/日",
"半衰期": "14小时",
"不良反应": ["肌肉疼痛", "肝酶升高"]
}
}2.4 本章整体流程
下面这张图展示了我个人偏好的构建流程：
从原始文本出发，依次经过实体识别、关系抽取、属性填充，再做一遍知识融合——这一步很关键，能消除重复和冲突——最终形成一个可用的知识图谱。
2.5 总结一下
- 实体识别：先找「谁」和「什么」，宁少勿多，但要定义清晰。
- 关系抽取：把实体「连」起来，优先覆盖高频关系。
- 属性填充：给实体加「标签」，做归一化，先保证必填字段。
这三个任务互相关联，任何一个环节出问题，下游都会受影响。嗯，这就是为什么一致性规则和质控那么重要——后面几章会慢慢展开。